paddleseg模型导出为onnx并利用onnxruntime进行推理

1.环境准备

pip install onnx
pip install onnxruntime-gpu
pip install PIL
pip install paddleseg

2.动态图转静态图

#动转静
!python /home/aistudio/PaddleSeg/export.py \
       --config /home/aistudio/PaddleSeg/configs/quick_start/UNet.yml \
       --model_path /home/aistudio/动态图模型/UNet.pdparams

3.静态图转onnxr

# 动转静.静转onnx
!paddle2onnx \
    --model_dir /home/aistudio/静态图模型/UNet \
    --model_filename model.pdmodel\
    --params_filename model.pdiparams \
    --save_file onnx模型/Unet.onnx \
    --opset_version 12

4.利用onnxruntime进行推理

（1）检测导出onnx模型是否正确

import onnx
# 我们可以使用异常处理的方法进行检验
try:
    # 当我们的模型不可用时，将会报出异常/home/aistudio/onnx模型/Unet++2.onnx
    model = onnx.load("/home/aistudio/onnx模型/Unet.onnx")
    onnx.checker.check_model(model)
except onnx.checker.ValidationError as e:
    print("The model is invalid: %s"%e)
else:
    # 模型可用时，将不会报出异常，并会输出“The model is valid!”
    print("The model is valid!")
print(onnx.helper.printable_graph(model.graph))

（2）颜色映射

import os

import cv2
import numpy as np
from PIL import Image as PILImage


def visualize(image, result, color_map, save_dir=None, weight=0.6):
    """
    Convert predict result to color image, and save added image.

    Args:
        image (str): The path of origin image.